Prediktív mikrobiológia

A romlást okozó és patogén mikroorganizmusok élelmiszereken való elszaporodásának elırejelzése mind az élelmiszert elıállítóknak, forgalmazóknak, mind pedig a fogyasztóknak érdekében áll.

Azoknál az élelmiszereknél, amelyeknek pH-ja és vízaktivitása megfelelı különbözı mikroorganizmusok számára, az eltarthatóságot elsısorban a mikrobás romlás korlátozza. Az élelmiszert fogyasztók egészségét veszélyeztetı fı forrás pedig az esetenként az élelmiszerrel közvetíthetı kórokozók jelenléte, vagy azok továbbszaporodásának lehetısége.

A klasszikus fizikai, kémiai és fiziko- kémiai változásokon alapuló módszerek, sokszor csak akkor szolgálnak értékelhetı adatokkal, amikor a mikrooranizmusok száma a megengedett határérték közelében van. A hagyományos mikrobiológiai módszerek idıigényesek, érzékenységük miatt számos esetben nem képesek megfelelı elırejelzést adni a fogyasztásra szánt élelmiszerek minıségére és biztonságára vonatkozóan. A gyors módszerek sem képesek minden esetben megbízható és pontos eredményt adni. Ezért áthidaló megoldásra alkalmazzák a prediktív mikrobiológiát.

A prediktív mikrobiológia olyan matematikai modellek kifejlesztésével, illetve már meglévı modellek alkalmazásával foglalkozik, amelyek képesek adott környezeti körülmények között a mikroba-szaporodás, illetve-pusztulás dinamizmusát elıre jelezni. A modelleket úgy alkotják, hogy bizonyos környezeti tényezıket, mint például a hımérséklet, pH, vízaktivitás, gáztér összetétel vesznek figyelembe, hogy hogyan hatnak a mikroba-szaporodásra illetve pusztulásra. Ezek után olyan környezeti körülmények között is alkalmazzák a szaporodási- illetve pusztulási elırejelzést, amelyeket, a modell megalkotása során nem vizsgáltak (MCMEEKINet al. 1993). Az élelmiszerek komplex rendszere miatt, a modellezési feladat sok esetben sokkal bonyolultabb feladat, mint elsı pillanatban gondolnánk.

A dinamikus matematikai modellek elınyeit és hátrányait McMeekin és társai (1993), valamint Baranyi és Roberts (1994, 1995) taglalták. A Baranyi és Roberts által 1995-ben kidolgozott új modell lehetıvé teszi a baktérium-szaporodás elırejelzést változó hımérsékleten abban az esetben is, ha a tenyészet a lag- szakaszban van. Gyakorlati szempontból különösen a lag-fázis és az exponenciális fázis ismeretének van nagy jelentısége, mert ha sikerül a mikróbákat a lag-fázisban tartani, azzal az élelmiszerek eltarthatósági ideje növelhetı meg. Ha viszont már az exponenciális

szakaszba lép a mikróba, akkor a tárolási hıméréskleten elért szaporodási sebesség fogja meghatározni az élelmiszer eltarthatóságát.

Ezeknek a modelleknek három egymásra épülı típusa van (FARKAS, 2004):

• Az elsıdleges modellek matematikai egyenlettel írják le például a mikrobák számának, mint függı változónak, rögzített mikrobiológiai ökológiai tényezık mellett bekövetkezı idıbeli változását. Az empírikus úton kapott adatokhoz illesztenek a baktérium szaporodását leíró görbét.

• A másodlagos modellek annak a matematikai megfogalmazásai, hogy az elsıdleges modell szerinti függı változó alakulására miként hat a mikrobiológiai ökológiai környezeti tényezık változása.

• A harmadlagos modellek számítógépes szoftver-csomagok, melyeknek két fı része van. Az elsı elırejelzéshez használható matematikai modell alkalmazását teszi lehetıvé, a második az adatbázisokhoz nyújt hozzáférést, amiket elırejelzések validálásához és matematikai modellek paramétereinek meghatározásához használnak.

Az élelmiszer, mint rendszer mikrobiológiai szempontból nagyon bonyolult, ezért a modellezés számos leegyszerősítésen és feltételezésen kell, hogy alapuljon. A jelenleg rendelkezésre álló modellek sokszor már megfelelı elırejelzést képesek adni a mikrobák szaporodási sebességérıl a környezeti tényezık függvényében. Szerényebb eredményeket értek el a mikrobaszaporodás úgynevezett lappangó szakaszára vonatkozó biztonságos elırejelzésében, mert az aktuálisan jelenlévı mikrobák viselkedése jelentısen függ az elızetesen ıket ért hatásoktól. Abban az esetben sem tökéletes még az elırejelzés, ha a mikrobák olyan környezetben vannak, ahol más mikroorganizmusokkal kényszerülnek versenyhelyzetbe.

2.2.4.1. A prediktív modellek alkalmazási területei

Az élelmiszeriparban az alábbi feladatok megoldásához lehetne a prediktív modellezést használni:

1. új termék fejlesztése,

2. folyamatszabályozás mikrobiológiai elıírások megállapítása, 3. HACCP rendszerek kidolgozása,

4. mikrobiológiai kockázatbecslés.

Az elıbb felsorolt területek a következıben részletesebben fejtem ki.

1. Új termék fejlesztése:

• értékelni lehet a várható tárolási körülmények hatását,

• gyors elızetes becslést lehet végezni a termék mikrobiológiai stabilitásáról,

• értékelni lehet az elıírásoktól eltérések élelmiszerbiztonsági hatásait.

2. Folyamatszabályozás mikrobiológiai elıírások megállapítása:

• becsülhetı például mikroorganizmusok várható szintje a minıség-megırzési idı végén,

• értékelni lehet az elıírt értékektıl való eltérések hatásának következményeit, így nem kellıen alacsony tárolási hımérséklet

magasabb pH

nem egyenletes só eloszlás stb.

3. A HACCP rendszerek tervezésénél például az alábbi feladatokra lehet használni a modellezést:

• kritikus szabályozási pontok meghatározása,

• kritikus határértékek meghatározása,

• az elıírt folyamatszabályozási határértékektıl való eltérések következményeinek meghatározása.

4. Mikrobiológiai kockázatbecslést használnak:

• rövid eltarthatóságú, gyorsan romló élelmiszereknél,

• annak érdekében, hogy egy adott élelmiszerben mely kockázati tényezıknek lehet jelentıs hatása a fogyasztók egy meghatározott kórokozónak való kitettségére.

A prediktív modellek használatának egyik elınye, hogy az egyes modellek érvényességi határain belül a mikrobák kiindulási csíraszámának, illetve a szaporodást és a pusztulást befolyásoló tényezık változtatásának hatásait gyorsan és nagyon egyszerően lehet becsülni, így rövid idı alatt több termékösszetételt és környezeti hatást is össze lehet hasonlítani. Ezáltal energiát és pénzt lehet megtakarítani (BECZNER et al. 2004).

A prediktív modellek alkalmazásának korlátai:

A prediktív mikrobiológiai modellek megbízhatóságát több tényezı korlátozza:

• a modellek szerkesztésénél az egyenletek illesztésének pontossága a kísérleti adatokra,

• mikrobiológiai érvényesség,

• párhuzamos mikrobiológiai vizsgálatok eredményei között nagy eltérés lehet, ami növeli a bizonytalanságot,

• az inhomogén élelmiszerekben a különbözı összetevık eltérı fizikai, kémiai mikrobiológiai tulajdonságai miatt számos eltérı mikrokörnyezet alakulhat ki,

• a laboratóriumi tenyészetekbıl végzett vizsgálatok alapján állították fel, a „természetes”

tenyészetek életerısebbek lehetnek,

• a környeeti stresszhatások is ronthaják az eredmények megbízhatóságát.

A modellezés megbízhatósága javítható, ha adott feladatra többféle rendelkezésre álló modellel is elvégezzük a számításokat.

2.2.4.2. ComBase program

A brit Food MicroModel adatgyőjteményre és az amerikai Pathogen Modelling Program-ra támaszkodva, a közelmúltban létrehoztak egy új adatbázist, ami a brit Élelmiszer Szabványosítási Hivatal (UK Food Standards Agency) által támogatott norwich-i Élelmiszer Kutató Intézet (Insitute of Food Research) és az Egyesült Államok Mezıgazdasági Minisztériuma wyndmoor-i Keleti Regionális Kutató Központ (Eastern Regional Research Center) nevő intézményének közös vállalkozása. Ezt a standardizált adatbázist Általános Elırejelzı Mikrobiológiai Adatbázisnak más néven ComBase-nek nevezték el (ANON 2003; BARANYI et al. 2003).

A ComBase program helyesen inkább egy program csomag, amely számos más programot is tartalmaz. Így például aki saját adatokból akar modellt készíteni, az a ComBase DMFit- DmPred szoftvert, illetve a Microfit szoftvert használhatja. Kockázatbecslésre a ComBase Browser, a Growth Predictor és a Pathogen Modelling Program szoftver használható. A ComBase Browser a ComBase adatbázisban való keresésre szolgál. A Growth Predictor fıként a mikrobaszaporodás hımérséklet-, pH- és vízaktivitás- függésén alapuló modellek alkotják (www.combase.cc).

A gyakorlati igényekre tekintettel fontos elmondani, hogy a szoftvercsomag alapmodelljei legtöbbször a legrosszabb szituációt jelzik, azaz a prediktív modellel jelezett szaporodási

sebességeknél a gyakorlatban tapasztalható értékek valamivel kisebbek lehetnek. Ugyanis az elsı prediktív modellek nagy részét a baktériumszaporodás szempontjából optimális laboratóriumi tápközegekkel és optimális tenyésztési körülmények között, tiszta tenyészetekkel, nagy kezdeti csíraszámokkal és versengı mikroflórától mentes esetekre dolgozták ki. Lényeges még az is , hogy a modellezéskor érvényesült környezeti tényezı értéktartományokon kívüli körülményekre az elırejelzı modelleket nem szabad alkalmazni.